► Keras 3 API文档 / 损失函数 / "最大间隔"分类的Hinge损失函数

用于“最大间隔”分类的 Hinge 损失函数

`Hinge` 类

keras.losses.Hinge(reduction="sum_over_batch_size", name="hinge", dtype=None)

计算y_true 与 y_pred 之间的 Hinge 损失。

公式

loss = maximum(1 - y_true * y_pred, 0)

y_true 值应为 -1 或 1。如果提供二元（0 或 1）标签，我们将将其转换为 -1 或 1。

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 损失实例的可选名称。
dtype：损失计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`SquaredHinge` 类

keras.losses.SquaredHinge(
    reduction="sum_over_batch_size", name="squared_hinge", dtype=None
)

计算y_true 与 y_pred 之间的平方 Hinge 损失。

公式

loss = square(maximum(1 - y_true * y_pred, 0))

y_true 值应为 -1 或 1。如果提供二元（0 或 1）标签，我们将将其转换为 -1 或 1。

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 损失实例的可选名称。
dtype：损失计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`CategoricalHinge` 类

keras.losses.CategoricalHinge(
    reduction="sum_over_batch_size", name="categorical_hinge", dtype=None
)

计算y_true 与 y_pred 之间的分类 Hinge 损失。

公式

loss = maximum(neg - pos + 1, 0)

其中 neg=maximum((1-y_true)*y_pred) 和 pos=sum(y_true*y_pred)

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 损失实例的可选名称。
dtype：损失计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`hinge` 函数

keras.losses.hinge(y_true, y_pred)

计算y_true 与 y_pred 之间的 Hinge 损失。

公式

loss = mean(maximum(1 - y_true * y_pred, 0), axis=-1)

参数

y_true: 真实标签值。y_true 的值预期为 -1 或 1。如果提供了二元 (0 或 1) 标签，它们将被转换为 -1 或 1，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

Hinge 损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.hinge(y_true, y_pred)

[源代码]

`squared_hinge` 函数

keras.losses.squared_hinge(y_true, y_pred)

计算y_true 与 y_pred 之间的平方 Hinge 损失。

公式

loss = mean(square(maximum(1 - y_true * y_pred, 0)), axis=-1)

参数

y_true: 真实标签值。y_true 的值预期为 -1 或 1。如果提供了二元 (0 或 1) 标签，我们将把它们转换为 -1 或 1，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

平方 Hinge 损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.squared_hinge(y_true, y_pred)

[源代码]

`categorical_hinge` 函数

keras.losses.categorical_hinge(y_true, y_pred)

计算y_true 与 y_pred 之间的分类 Hinge 损失。

公式

loss = maximum(neg - pos + 1, 0)

其中 neg=maximum((1-y_true)*y_pred) 和 pos=sum(y_true*y_pred)

参数

y_true: 真实标签值。y_true 的值预期为 {-1, +1} 或 {0, 1} (即独热编码张量)，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

分类 Hinge 损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.randint(0, 3, size=(2,))
>>> y_true = np.eye(np.max(y_true) + 1)[y_true]
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.categorical_hinge(y_true, y_pred)